论文部分内容阅读
当今的温室气体排放、气候变化和海平面上升等问题越来越引起人们的关注,而植被作为陆地生态系统的重要组成部分,参与各种能量与物质的循环,与气候和环境紧密相连,是人们对资源与环境监测的主要研究对象之一。植被的叶面积指数和光合有效辐射吸收比例是模拟陆地生态过程,碳水循环模拟和农作物产量预测等应用的重要参数。由于地面测量只能对小区域的植被进行测量,目前包括植被的叶面积指数和光合有效辐射吸收比例的全球植被参数主要是通过卫星遥感数据间接的反演估算,为大范围的模型研究提供数据。其中基于物理模型的查找表方法和基于神经网络模型的方法都比较常用,都是将像元的部分波段反射率和植被的参数联系起来。但是遥感反演一直存在不可避免的病态反演问题,主要是因为各种原因导致的观测信息量不足时的反演。从复杂地表到遥感卫星获得的信号就是一个“由多到一”的变换,比如同谱异物,混合像元等。要从“一”反演到“多”,常需要额外的辅助信息,比如考虑图像的上下文信息。然而,目前的用于全球范围的叶面积指数和光合有效辐射吸收比例数据生产的方法均不考虑图像的上下文信息,因为逐个像元计算部分波段光谱信息从方法上就放弃了遥感影像的像元间关系,只考虑与叶绿素等成分最有关系的几个波段的反射率。尽管有一些尝试量化遥感影像空间异质性辅助反演植被参数的研究,但通常又受到额外的数据要求、复杂的计算和适用范围等限制难以用于大范围的植被参数反演。因此,本文重点研究如何更加充分的利用遥感数据,既考虑多波段的光谱信息,也考虑上下文信息,并且能够适应全球范围植被覆盖的反演方法。研究主要包括以下内容:(1)提出具有普适性的遥感影像上下文特征提取方法。为突破利用图像统计量计算空间异质性的局限,首先开展使用卷积神经网络结构对不同层次影像特征提取的研究,提出使用处理语义分割任务的全卷积神经网络捕捉一块遥感影像中的不同尺度和维度的图像特征作为上下文信息。对第一种用于语义分割的全卷积神经网络模型FCN和基于FCN的一些改进模型进行实验,并提出一种基于密集跳跃连接的卷积神经网络结构,以大小不一的建筑物目标代替从局部到全局不同尺度的图像特征,测试不同模型的多尺度特征提取效果,综合评价计算成本、训练难度、结果精度、可扩展性等方面,最终选定适合本文的植被参数回归计算的基础模型结构设计,为后续实验提供技术支撑。(2)探索将用于语义分割的卷积神经网络分类模型改造为反演植被参数的回归模型。该模型不依靠人选特征波段,能够顾及像元之间关系,根据完整的二维多波段遥感影像产生对应的植被参数结果矩阵。本文展示了利用现有的大量遥感数据训练该模型自主从遥感影像中选择有效信息并预测的可行性。通过实验确认了该模型可以有效利用9个波段的反射率,获得比部分波段作为输入更好的预测结果。随后利用训练获得的表现最好的模型生成了连续的大范围植被参数,与其他遥感数据进行时空分布和与地面测量值的比较,确认模型的有效性。此外,通过对模型内部特征图的可视化,初步探索模型的机理,发现模型会对植被、水域、水陆边界等特征分布进行捕捉,综合利用各种上下文信息进行预测。(3)基于上下文信息的全球叶面积指数估算。在确定了结合上下文信息与光谱信息的卷积神经网络模型能够有效反演植被参数后,本文对样本代表性、模型的泛化能力和上下文信息量对模型的影响进一步展开研究。首先利用位置相互独立的两组站点网络构建了上下文特征相互独立的数据集,同时使用不同尺度裁减以站点为中心的反射率数据和叶面积指数数据构建多组数据集,测试模型对陌生数据的预测能力、使用不同输入图像范围的表现。实验发现本文提出的模型对于陌生的数据也能做出合理的预测,而且可以受益于更大的上下文信息量,即更大的输入窗口。为了探索提升模型的泛化能力以适应全球范围的反演,本文又构建了覆盖全球地表不同季节的超大数据集,训练和测试模型,用表现最好的模型生产了连续四年全球范围的叶面积指数,与几种其他遥感数据和地面测量值进行综合对比分析。结果显示本文的模型在没有对训练集和生产数据使用去噪声处理的情况下,获得了相对连续的时空分布,并在部分有测量纪录的DIRECT站点位置获得了比其他遥感数据更接近地面测量值的结果。特别地,由于本文的模型是基于多维矩阵运算,借助GPU加速技术不仅可以快速完成在覆盖全球地表数据集上的训练,其生产效率也能满足全球范围植被参数的快速计算,有用于大规模数据生产的价值。